A pesquisa utilizará a metodologia de Design Science Research, que vem sendo explorada nos últimos anos para obtenção de soluções por meio da criação ou modificação de artefatos que possam mudar situações, conciliando a pesquisa teórica com a prática. Existem sete diretrizes para a pesquisa ser desenvolvida por esse método, que são: desenvolver um artefato inovador, possuir um problema especifico para aplicar o artefato, realizar a avalição de sua utilidade, construir o artefato baseado em metodologias rigorosas, realizar o desenvolvimento através de pesquisas e, por fim, comunicar os resultados para os interessados. As diretrizes podem ser contempladas na sequência de etapas: conscientização do problema, sugestão, desenvolvimento, avaliação e conclusão. O problema ocorre no setor de Pós-Vendas de uma multinacional, que atua na produção de eletrodomésticos e sistemas de climatização. O setor é responsável pelo planejamento da demanda de peças em garantia, que tem como a principal atribuição assegurar o pleno funcionamento do produto e, caso esse apresente algum tipo de falha, possuir os componentes necessário para o reparo. O Pós-Vendas vem apresentando dificuldades para realizar o planejamento de peças devido à falta de ferramentas adequadas à estocasticidade característica destas operações. Resultando um elevado custo de capital imobilizado, com cerca de 530 mil peças estocadas. O lead time para a importação dos componentes é de cento e quarenta dias.  De forma que, ao se abrir um chamado em garantia e não haja em estoque as peças solicitadas é impossível finalizar o atendimento ao cliente no tempo adequado. Gerando um custo maior do que o convencional, pois resulta na troca do produto para um similar ou superior, ou no ressarcimento, conforme a decisão do consumidor. No ano de 2018, não havia peças para 6,6% dos atendimentos. Em 2019, a meta é de no máximo 3%. Portanto, tem-se como objetivo propor um algoritmo que possa auxiliar no planejamento da demanda de peças, para que seja possível reduzir o estoque de garantia, como também reduzir as ocorrências de peças faltantes. Como sugestão, busca-se obter, a partir da literatura, recomendações de ferramentas computacionais que permitam realizar previsões de falhas ou a criação de algoritmos baseados no Aprendizado de Máquina para o desenvolvimento das previsões. A compatibilidade do algoritmo será determinada de acordo com alguns critérios, sendo elas: a velocidade para gerar novas previsões; a possibilidade de retreinamento do modelo, atualizando conforme novas entradas; eficácia na generalização para demais modelos de produtos; utilização de ferramentas que possam ser utilizadas pelos operadores de maneira viável. Para o desenvolvimento do algoritmo, será utilizado um único modelo de produto, considerando seus diversos componentes. Porém, com o intuito de que essa aplicação também possa servir para os demais produtos. Sendo um estudo longitudinal retrospectivo, que analisará dados durante os anos de 2017 e 2019, coletados através dos códigos dos componentes referentes ao envio em garantia. As avaliações serão realizadas através das formas experimental, analítica e descritiva. No qual, serão comparadas as previsões geradas com os dados reais. E posteriormente, construir um cenário admitindo que o Planejamento de Peças tenha efetuado a compra com base nas quantidades previstas pelo algoritmo, para confronto com o cenário real.